一种基于条件生成对抗网络的秦简文字修复方法技术

本发明专利技术提供了一种基于条件生成对抗网络的秦简文字修复方法，用于将破损秦简文字修复为修复秦简文字，包括构建总数据集、构建破损手段集合、构建训练数据集、初始化条件生成对抗网络模型、训练条件生成对抗网络模型以及测试步骤。该基于条件生成对抗网络的秦简文字修复方法通过一新模型实现，该新模型基于生成对抗网络模型生成，利用条件生成对抗网络模型的生成器和判别器自动对抗训练的方式进行训练，可实现良好的文字修复效果。可实现良好的文字修复效果。可实现良好的文字修复效果。

【技术实现步骤摘要】
一种基于条件生成对抗网络的秦简文字修复方法


[0001]本专利技术涉及图像处理领域，具体涉及到一种基于条件生成对抗网络的秦简文字修复方法。

技术介绍

[0002]图像修复方法起源于欧洲文艺复兴时期对艺术品的修复，为了保持艺术品的观赏性，通过填色、填充裂缝等方式对残缺的艺术品进行修补，从而达到跟破损前同样的视觉效果。随着计算机技术的出现及不断发展，图像修复技术逐渐向数字图像修复发展。传统的修复方法主要分为基于样本的图像修复方法和基于扩散的图像修复方法。其中基于样本的方法又可分为基于纹理的图像修复方法和基于结构的图像修复方法。基于纹理的方法使用模板匹配的方式生成局部纹理信息，通过广播的方式对像素进行传播填充，适合修复破损区域较大的图像，面对图像纹理细节丰富的图像，存在修复图像不连续的情况。基于结构的方法利用偏微分方程的方法进行扩散从而实现修复，适合修复破损区域较小的图像，随着破损区域的增大，修复结果会出现模糊。基于扩散的图像修复利用破损图像边缘信息，从边缘向破损区域内部扩散，适合修复修复小范围破损图像。
[0003]随着深度学习的不断发展，深度学习开始逐渐应用于图像修复领域，其中包括基于卷积神经网络的图像修复方法、基于循环神经网络的图像修复方法、基于U
‑
net的图像修复方法和基于生成对抗网络的图像修复方法。其中，最常用的是基于生成对抗网络的图像修复方法，但它作为无监督学习的代表，具有无监督学习的通病，训练的结果难以预测；此外，该修复方法在修复速度、对细节纹理的修复方面的效果有待提升。
[0004]作为图像修复分支的文字修复，修复原理跟图像修复是一致的，都是对破损区域进行填充。相应的，图像修复领域所面临的问题即为文字修复领域所面临的问题。

技术实现思路

[0005]本专利技术提供了一种基于条件生成对抗网络的秦简文字修复方法，该基于条件生成对抗网络的秦简文字修复方法通过一训练模型实现，该训练模型结合实际情况对现有的条件生成对抗网络模型进行改进，利用条件生成对抗网络模型的生成器和判别器自动对抗训练的方式进行训练，针对破损不完好的秦简文字具有实现良好的文字修复效果。
[0006]本专利技术提供了一种基于条件生成对抗网络的秦简文字修复方法，用于将破损秦简文字修复为修复秦简文字，包括训练步骤及测试步骤；
[0007]所述训练步骤包括：
[0008]S101：构建总数据集E，所述总数据集E包括用于训练的第一数据集E1，所述第一数据集E1包括一个以上的完好秦简文字a1,a2,
…
,a
q
,q为正整数；
[0009]S102：构建破损手段集合，所述破损手段集合包括一种以上的破损手段c1,c2,
…
,c
r
，r为正整数；
[0010]S103：构建训练数据集z，重复选取一破损手段b
x
处理一完好秦简文字a
y
生成对应
的一个训练秦简文字c
y～x
并导入至所述训练数据集z中，直至所述训练数据集z内的训练秦简文字的数量达到预设值，x∈[1,2,
…
,p]，y∈[1,2,
…
,q]；
[0011]S104：初始化条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G在所述训练步骤中的输入数据为训练秦简文字，所述生成器G在所述测试步骤中的输入数据为破损秦简文字，且在所述训练步骤中，所述生成器G的输出数据为所述判别器D的输入数据，所述生成器G的输出数据所对应的完好秦简文字为所述判别器D的输入数据；
[0012]S105：训练所述条件生成对抗网络模型，以所述训练数据集z迭代训练所述条件生成对抗网络模型；
[0013]所述测试步骤包括：
[0014]S106：将一破损秦简文字导入至训练完毕的所述条件生成对抗网络模型中，所述条件生成对抗网络模型的生成器G导出对应的修复秦简文字。
[0015]可选的实施方式，所述总数据集E还包括用于验证的第二数据集E2，所述第二数据集E2包括一个以上的完好秦简文字b1,b2,
…
,b
p
,p为正整数；
[0016]所述基于条件生成对抗网络的秦简文字修复方法还包括验证步骤；
[0017]所述验证步骤包括：
[0018]S107：构建验证数据集w，重复选取一破损手段b
x
处理一完好秦简文字b
t
生成对应的一个验证文字c
t～x
并导入至所述验证数据集w中，直至所述验证数据集w内的验证文字的数量达到预设值，x∈[1,2,
…
,p]，t∈[1,2,
…
,p]；
[0019]将所述验证数据集w中的验证文字依次送入至训练完毕的条件生成对抗网络模型中，并根据所述验证文字对应的完好秦简文字与所述条件生成对抗网络模型的生成器G导出的修复秦简文字计算峰值信噪比和/或结构相似度。
[0020]可选的实施方式，所述破损手段b
x
的类型为图像遮罩手段、图像旋转手段、图像裁剪手段、图像缩放手段、椒盐噪声手段、高斯噪声手段中的其中一种手段；
[0021]或所述破损手段b
x
的类型为图像遮罩手段、图像旋转手段、图像裁剪手段、图像缩放手段、椒盐噪声手段、高斯噪声手段中的其中一种以上的手段的复合。
[0022]可选的实施方式，所述选取一破损手段b
x
处理一完好秦简文字a
y
生成对应的一个训练秦简文字c
y～x
包括：
[0023]选取一破损手段b
x
对一完好秦简文字a
y
的所有区域或局部区域进行处理，生成对应的一个训练秦简文字c
y～x
。
[0024]可选的实施方式，所述生成器G结构为：
[0025]所述生成器G包括依次链接的第一卷积层、第一DW
‑
MSA层、第二卷积层、第二DW
‑
MSA层、第三卷积层、第三DW
‑
MSA层、第一反卷积层、第二反卷积层、第三反卷积层和第四反卷积层，且所述第一卷积层通过跳过连接与所述第四反卷积层相连，所述第二卷积层通过跳过连接与所述第三反卷积层相连，所述第三卷积层通过跳过连接与所述第二反卷积层相连；
[0026]所述第一DW
‑
MSA层、第二DW
‑
MSA层、第三DW
‑
MSA层中的每一个DW
‑
MSA层分别包括一个W
‑
MSA模块和一个SW
‑
MSA模块。
[0027]可选的实施方式，所述判别器D结构为：
[0028]所述判别器D包括依次链接的第四卷积层、第五卷积层、第六卷积层、第七卷积层。
[0029]可选的实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成对抗网络的秦简文字修复方法，用于将破损秦简文字修复为修复秦简文字，其特征在于，包括训练步骤及测试步骤；所述训练步骤包括：S101：构建总数据集E，所述总数据集E包括用于训练的第一数据集E1，所述第一数据集E1包括一个以上的完好秦简文字a1,a2,
…
,a
q
,q为正整数；S102：构建破损手段集合，所述破损手段集合包括一种以上的破损手段c1,c2,
…
,c
r
，r为正整数；S103：构建训练数据集z，重复选取一破损手段b
x
处理一完好秦简文字a
y
生成对应的一个训练秦简文字c
y～x
并导入至所述训练数据集z中，直至所述训练数据集z内的训练秦简文字的数量达到预设值，x∈[1,2,
…
,p]，y∈[1,2,
…
,q]；S104：初始化条件生成对抗网络模型，所述条件生成对抗网络模型包括生成器G和判别器D，所述生成器G在所述训练步骤中的输入数据为训练秦简文字，所述生成器G在所述测试步骤中的输入数据为破损秦简文字，且在所述训练步骤中，所述生成器G的输出数据为所述判别器D的输入数据，所述生成器G的输出数据所对应的完好秦简文字为所述判别器D的输入数据；S105：训练所述条件生成对抗网络模型，以所述训练数据集z迭代训练所述条件生成对抗网络模型；所述测试步骤包括：S106：将一破损秦简文字导入至训练完毕的所述条件生成对抗网络模型中，所述条件生成对抗网络模型的生成器G导出对应的修复秦简文字。2.如权利要求1所述的基于条件生成对抗网络的秦简文字修复方法，其特征在于，所述总数据集E还包括用于验证的第二数据集E2，所述第二数据集E2包括一个以上的完好秦简文字b1,b2,
…
,b
p
,p为正整数；所述基于条件生成对抗网络的秦简文字修复方法还包括验证步骤；所述验证步骤包括：S107：构建验证数据集w，重复选取一破损手段b
x
处理一完好秦简文字b
t
生成对应的一个验证文字c
t～x
并导入至所述验证数据集w中，直至所述验证数据集w内的验证文字的数量达到预设值，x∈[1,2,
…
,p]，t∈[1,2,
…
,p]；将所述验证数据集w中的验证文字依次送入至训练完毕的条件生成对抗网络模型中，并根据所述验证文字对应的完好秦简文字与所述条件生成对抗网络模型的生成器G导出的修复秦简文字计算峰值信噪比和/或结构相似度。3.如权利要求1所述的基于条件生成对抗网络的秦简文字修复方法，其特征在于，所述破损手段b
x
...

【专利技术属性】
技术研发人员：陈炳权，夏蓉，陈明，陈慧娟，荆博，谭俊毅，
申请(专利权)人：吉首大学，
类型：发明
国别省市：